一种基于模糊粗糙集的睡姿压力图像识别方法技术

一种基于模糊粗糙集的睡姿压力图像识别方法，其特征在于所述方法包括以下步骤：第一步数据采集，采集位于睡眠位置下方的力敏传感器阵列检测得到的实时压力数据；第二步图像转换，将第一步采集到的实时压力数据转化为压力图像；第三步图像预处理，对第二步得到的压力图像进行图像预处理；第四步图像特征提取，对经过图像预处理的压力图像进行特征提取；提取到的特征值构成了单幅压力图像的特征集合，第五步采用基于模糊粗糙集方法对第四步提取得到图像特征进行处理实现睡姿识别。

【技术实现步骤摘要】

本专利技术涉及一种监测系统，具体是一种自动识别睡眠姿态的方法和系统，特别是一种基于模糊粗糙集的睡姿压力图像识别方法和系统。
技术介绍
人的一生的时间在睡眠中度过有三分之一，睡眠质量通常比睡眠的时间长短更重要，它关系到人的心理及生理健康，睡眠质量差的人容易产生紧张,疲劳,注意力不集中,或饮食失调。通过睡眠阶段可以证明诊断心血管疾病,糖尿病和肥胖等症状。睡眠阶段以及睡眠障碍都会产生精神疾病,如抑郁症,酗酒和双相情感障碍。确定睡眠质量的指标，如睡眠阶段,睡眠困难、睡眠姿势,对用于医疗诊断是非常关键的。最常见的是睡眠呼吸暂停的研究，近年来,许多研究着致力于睡眠呼吸暂停睡眠姿势进行数据分析。据研究表明睡眠呼吸暂停中良好的睡眠姿势有利于减轻呼吸暂停患者的呼吸障碍程度。在医疗方面,Ambrogio等人发现睡眠姿势和慢性呼吸衰竭的关系,这直接导致睡眠呼吸暂停。不良睡姿如俯卧会使大部份的体重落在肋骨和肠脏，从而压着横隔膜和肺部，影响呼吸，尤其是对有呼吸暂停综合症的患者影响更为严重。而颈部则由于必须向侧面扭转来保持呼吸畅通，增加扭屈，容易引致创伤。综上所述,有呼吸暂停综合症患者应避免以仰卧和俯卧姿势进行睡眠，宜采取侧卧位睡眠，可以减轻或防止咽腔部软组织和舌根后坠；减轻颈部和胸部脂肪组织对气道压力，从而有助减轻鼾声，甚至防止呼吸暂停。床褥的影响，对睡觉姿势的分析有利于防止压疮的形成,通知易产生床褥的病人和即将到来的床褥压力点。因此,自动睡眠姿态监测是非常有必要的。到目前为止,研究人员提出了不同的方法来自动监测睡眠姿势。传统研究睡眠姿势模式是使用摄像机和麦克风。中岛淑贵等人提出基于视觉信号分析睡眠呼吸和姿势变化的系统，但夜间光线比较低对成像带来很大的噪声，并且视频会带来严重的隐私问题，非常不利于医院患者的健康治疗。这样的工作集中在检测之前姿势改变，而不是认识的身体姿势。因此，提出使用压力传感器阵列实时监测睡眠状态，提供一种睡姿识别的算法及系统。大幅度提高睡眠姿势识别的准确度，且更为保护隐私。为医疗中的呼吸暂停减缓、床褥预防与治疗和智能居家中睡眠质量提高等领域研究人员提供数据支持。
技术实现思路
本专利技术针对现有技术存在的关键问题，提供一种基于模糊粗糙集的睡姿压力图像识别方法和系统，该系统具有检测精度高，实时性好，识别速度快，可适用于不同性别、身高、体重患者的睡姿检测等特点。根据目前医疗市场对睡眠姿态的需求和智能居家方向的发展，对患有呼吸暂停综合症患者的呼吸障碍减缓和患有床褥影响的病人治疗，以及对睡眠质量的需求从婴幼儿到中老年，不同群体的睡眠质量急需解决，前景可观。一种基于模糊粗糙集的睡姿压力图像识别方法，其特征在于所述方法包括以下步骤第一步数据采集采集位于睡眠位置下方的力敏传感器阵列检测得到的实时压力数据；第二步图像转换将第一步采集到的实时压力数据转化为压力图像,具体为：建立图像坐标与传感器阵列分布一致的图像，将每个传感器上采集到的压力数值转化为对应的图像坐标上像素的灰度值，从而得到反映传感器阵列上压力分布的压力图像；第三步图像预处理对第二步得到的压力图像进行图像预处理；第四步图像特征提取对经过图像预处理的压力图像进行特征提取；第五步采用基于模糊粗糙集方法对的第四步得到图像特征集合进行处理实现睡姿识别对经过人工分类的的睡姿压力图像按照第四步所述方法进行图像特征提取，并将提取到的图像特征集合和压力图像的类别组成训练样本集合，再以睡姿压力图像的类别(以下简称图像类别)作为决策属性建立决策表；对决策表中作为条件属性的图像特征进行属性约简，经约简的条件属性即为能够表达图像类别的最少的图像特征，从而得到了图像分类的决策规则；经过对睡姿识别的压力图像的特征提取，与决策规则进行隶属度计算，以隶属度最大的图像类别作为识别的睡姿类别。所述的一种基于模糊粗糙集的睡姿压力图像识别方法，其特征在于所述第三步包括1)图像校正，包括1.1)几何变换校正，1.2)阈值分割；2)区域划分。所述区域划分为沿Y轴方向将经过图像校正的压力图像4等分，并沿Y轴依次划分出25％区域、50％区域和75％区域。所述的一种基于模糊粗糙集的睡姿压力图像识别方法，其特征在于所述第四步需要提取的特征包括：压力区域占整个压力图像的比例、25％区域中的压力区域占整个压力区域的比例、50％区域中的压力区域占整个压力区域的比例和75％区域中的压力区域占整个压力区域的比例、压力图像的对称性、压力区域数、压力图像方向性、压力图像的平衡性、肩部区域面积、肩部坐标、臀部区域面积、臀部坐标、肩臀重心距离，上述特征值构成了单幅压力图像的特征集合。本专利技术与现有技术相比，其主要优点在于：(1)本专利技术克服了现有对睡眠监测中的相机夜间亮度问题和对隐私的保护问题，进而使得被监测者在睡姿监测过程中没有心理障碍，更加自然、无束缚地睡眠，极大消除了被检测者的心理负担。(2)图像多特征性最大限度保证了图像信息的完整性，使得在分类过程中更加准确。(3)图像的处理采用基于时序压力数据的方法，相比较传统的图像采集更加快速，尤其是在处理过程中单幅图像的大小为64X128像素，大大减小了图像处理速度和减小了存储占用空间。(4)由于身体形状的不完整性和自我遮挡身体压力，压力图像分析相比视频图像分析更具挑战性，而模糊粗糙集是基于对未知信息或者相互矛盾数据的不确定性进行数据处理和推测，本质是一种机器自我学习的方式，为处理模糊和不确定知识提供了有效的检测工具。本专利技术基于模糊粗糙集的睡姿识别方法相较于现有技术，包含更多睡姿图像特征下更加快速、实时识别，为医疗中的呼吸暂停减缓、床褥预防与治疗和智能居家中睡眠质量提高等领域研究人员提供了准确数据支持。具体实施方式为了使本专利技术的目的更加突显，以下对本专利技术详细说明。实施例一种基于模糊粗糙集的睡姿压力图像识别方法，包括以下步骤第一步数据采集采集位于睡眠位置下方的力敏传感器阵列检测得到的实时压力数据所述柔性力敏传感器阵列(以下简称传感器阵列)为64×128的矩形阵列,数据的采集频率为10Hz,每个柔性力敏传感器的取值范围为0-512。柔性力敏传感器阵列分布能够恰好覆盖睡眠者的最大投影面积，最大限度地保障了整个身体压力数据的完整性。采集的实时压力数据包含了实时身体压力的大小。第二步图像转换将第一步采集到的实时压力数据转化为压力图像,具体为：建立图像坐标与传感器阵列分布一致的图像，将每个传感器上采集到的压力数值转化为对应的图像坐标上像素的灰度值，从而得到反映传感器阵列上压力分布的压力图像。本实施例中，所述压力图像的每个像素与传感器阵列的传感器一一对应，所述压力图像为8位灰度图像，将每个传感器测得的压力数据减半后的值作为相应像素的灰度值。所述压力图像的图像坐标的Y轴和X轴分别对应于传感器阵列的纵轴方向和横轴方向。被检测者的脊柱方向与传感器阵列的纵轴方向大致平行。第三步图像预处理对第二步得到的压力图像进行图像预处理，包括1)图像校正，所述图像校正包括1.1)几何变换校正，所述几何变换校正具体包括对图像进行平移、旋转、缩放以校正原始压力图像的几何畸变；由于人体躺在柔性压力传感器阵列床垫上，尤其是夜间被监测者可能出现体动、翻身等动作，导致反映出来的压力区域分布出现了相对于压力图像的位置变动。通过几何变换本文档来自技高网...

【技术保护点】
一种基于模糊粗糙集的睡姿压力图像识别方法，其特征在于所述方法包括以下步骤：第一步数据采集采集位于睡眠位置下方的力敏传感器阵列检测得到的实时压力数据；第二步图像转换将第一步采集到的实时压力数据转化为压力图像,具体为：建立图像坐标与传感器阵列分布一致的图像，将每个传感器上采集到的压力数值转化为对应的图像坐标上像素的灰度值，从而得到反映传感器阵列上压力分布的压力图像；第三步图像预处理对第二步得到的压力图像进行图像预处理；第四步图像特征提取对经过图像预处理的压力图像进行特征提取；提取到的特征值构成了单幅压力图像的特征集合第五步采用基于模糊粗糙集方法对第四步提取得到图像特征进行处理实现睡姿识别对经过人工分类的的睡姿压力图像按照第四步所述方法进行图像特征提取，并将提取到的图像特征集合和压力图像的类别组成训练样本集合，再以睡姿压力图像的类别作为决策属性建立决策表；对决策表中作为条件属性的图像特征进行属性约简，经约简的条件属性即为能够表达图像类别的最少的图像特征，从而得到了图像分类的决策规则；经过对睡姿识别的压力图像的特征提取，与决策规则进行隶属度计算，以隶属度最大的图像类别作为识别的睡姿类别。

【技术特征摘要】
1.一种基于模糊粗糙集的睡姿压力图像识别方法，其特征在于所述方法包括以下步骤：第一步数据采集采集位于睡眠位置下方的力敏传感器阵列检测得到的实时压力数据；第二步图像转换将第一步采集到的实时压力数据转化为压力图像,具体为：建立图像坐标与传感器阵列分布一致的图像，将每个传感器上采集到的压力数值转化为对应的图像坐标上像素的灰度值，从而得到反映传感器阵列上压力分布的压力图像；第三步图像预处理对第二步得到的压力图像进行图像预处理；第四步图像特征提取对经过图像预处理的压力图像进行特征提取；提取到的特征值构成了单幅压力图像的特征集合第五步采用基于模糊粗糙集方法对第四步提取得到图像特征进行处理实现睡姿识别对经过人工分类的的睡姿压力图像按照第四步所述方法进行图像特征提取，并将提取到的图像特征集合和压力图像的类别组成训练样本集合，再以睡姿压力图像的类别作为决策属性建立决策表；对决策表中作为条件属性的图像特征进行属性约简，经约简的条件属性即为能够表达图像类别的最少的图像特征，从而得到了图像分类的决...

【专利技术属性】
技术研发人员：郭士杰，任志斌，郭志红，刘佳斌，任东城，刘秀丽，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：天津;12